WEBVTT
Kind: captions
Language: zh-TW

00:00:00.000 --> 00:00:00.560
嗨各位

00:00:00.920 --> 00:00:02.359
今天我們來聊聊最近 AI 圈的

00:00:02.359 --> 00:00:03.289
當紅炸子雞，Jev 

00:00:03.750 --> 00:00:05.840
它也是一個 AI 模型，但特別的是

00:00:05.960 --> 00:00:06.820
它不跟你聊天

00:00:06.820 --> 00:00:08.859
不幫你寫文章，也不會寫程式

00:00:09.159 --> 00:00:12.460
你丟問題給它，它甚至連一個字都不會回你

00:00:12.460 --> 00:00:14.880
因為它只專注做一件事，就是做決定

00:00:15.600 --> 00:00:17.299
Jev 在九月十五號發布

00:00:17.299 --> 00:00:18.500
創辦人 Diogo Almeida

00:00:18.500 --> 00:00:20.700
是當年一起做出 ChatGPT 的人之一

00:00:20.700 --> 00:00:21.879
他發的那則 X 貼文

00:00:21.879 --> 00:00:23.680
到現在已經接近三千萬次觀看

00:00:23.700 --> 00:00:27.299
當天在工程師論壇 Hacker News 上拿到 1679 分

00:00:27.299 --> 00:00:28.600
底下四百多則留言

00:00:28.600 --> 00:00:31.299
隔天 Vercel 也直接把 Jev 上架到自己的平台

00:00:31.459 --> 00:00:32.740
讓用戶可以使用

00:00:32.939 --> 00:00:34.700
根據官方公布的數據

00:00:34.700 --> 00:00:37.000
Jev 跟現在主流的大語言模型相比

00:00:37.000 --> 00:00:38.400
速度快了 20 到 200 倍

00:00:38.759 --> 00:00:40.520
價格更是便宜了 40 到 400 倍

00:00:40.639 --> 00:00:42.659
最扯的是它的輸出完全免費

00:00:43.000 --> 00:00:43.720
意思就是

00:00:43.720 --> 00:00:46.400
不管你叫它吐出一百個字還是一百萬個字

00:00:46.599 --> 00:00:48.040
它通通一毛錢都不會跟你收

00:00:48.759 --> 00:00:49.740
我認為這款模型

00:00:49.740 --> 00:00:51.979
將會對 AI Automation 帶來很大的影響

00:00:52.180 --> 00:00:53.040
原因很簡單

00:00:53.099 --> 00:00:55.340
現在大家用 AI 搭出來的自動化流程裡

00:00:55.340 --> 00:00:57.799
有一大堆步驟其實只是在做判斷

00:00:57.799 --> 00:00:59.799
比方說，這封信要不要回？

00:00:59.860 --> 00:01:01.619
這張客服單該轉給哪個部門？

00:01:01.680 --> 00:01:03.520
這則留言是不是詐騙廣告？

00:01:03.520 --> 00:01:05.360
這些問題的答案通常只是一個選項

00:01:05.360 --> 00:01:06.699
但我們現在卻都習慣

00:01:06.699 --> 00:01:08.279
請又貴又慢的大模型來處理

00:01:08.279 --> 00:01:10.379
這其實非常浪費時間和金錢

00:01:10.839 --> 00:01:13.459
而 Jev 想要搶佔的領地就是這一塊

00:01:13.549 --> 00:01:14.500
它對標的不是 Fable 

00:01:14.919 --> 00:01:16.360
Astra 這類幾乎全能的大模型

00:01:16.360 --> 00:01:18.120
你也不會拿它來幫你開發產品

00:01:18.290 --> 00:01:19.099
它最適合的位子

00:01:19.099 --> 00:01:21.400
是放在你的工作流裡面當一個決策節點

00:01:21.459 --> 00:01:24.739
主打的優勢就是快，便宜，以及極低的幻覺

00:01:25.440 --> 00:01:26.260
今天這支影片

00:01:26.260 --> 00:01:28.180
我會先跟你分享 Jev 到底是什麼

00:01:28.349 --> 00:01:30.360
它跟傳統大模型應該怎麼分工，接著

00:01:30.360 --> 00:01:32.760
我們會來看幾個社群上非常有趣的 Demo 

00:01:32.940 --> 00:01:35.400
然後，我會用一個最近剛接手的實際案例

00:01:35.580 --> 00:01:36.639
帶你看看這個模型

00:01:36.639 --> 00:01:38.680
可以怎麼被完美整合進工作流裡面

00:01:38.680 --> 00:01:40.360
那我們就直接開始吧！

00:01:40.360 --> 00:01:41.559
先來聊聊它的來歷

00:01:41.760 --> 00:01:44.779
Jev 是由一家叫做 TypeSafe AI 的公司開發的

00:01:44.779 --> 00:01:47.239
這家公司過去一直非常低調，沒有對外曝光

00:01:47.500 --> 00:01:49.639
而 Jev 就是他們公開亮相的第一款模型

00:01:49.940 --> 00:01:50.959
前面有提到

00:01:50.959 --> 00:01:51.940
創辦人 Diogo Almeida

00:01:51.940 --> 00:01:54.279
是當年參與打造 ChatGPT 的團隊成員

00:01:54.279 --> 00:01:55.739
講得更精準一點

00:01:55.739 --> 00:01:57.260
ChatGPT 之所以聽得懂人話

00:01:57.260 --> 00:01:58.779
會跟你一來一往的聊天

00:01:58.779 --> 00:02:01.400
背後靠的是一套叫做 RLHF 的訓練方法

00:02:01.400 --> 00:02:03.540
而他正是這套方法的共同發明人

00:02:03.559 --> 00:02:06.019
他自己也分享過，在做完 ChatGPT 之後

00:02:06.139 --> 00:02:07.540
他花了兩年的時間

00:02:07.540 --> 00:02:09.740
默默研究了一套全新的訓練方法

00:02:09.740 --> 00:02:11.113
最後生出來的成果就是 Jev 

00:02:11.339 --> 00:02:13.419
一個完全不會跟你聊天的模型

00:02:13.460 --> 00:02:14.199
有趣的是

00:02:14.419 --> 00:02:17.179
Jev 這個名字取自經濟學中的傑文斯悖論

00:02:17.320 --> 00:02:18.839
英文是 Jevons Paradox 

00:02:19.139 --> 00:02:21.440
意思就是 當一樣東西變得越便宜

00:02:21.740 --> 00:02:23.500
效率越高時，大家反而會用得越多

00:02:24.389 --> 00:02:25.100
它的運作方式

00:02:25.100 --> 00:02:26.759
跟我們熟悉的大模型完全不一樣

00:02:27.059 --> 00:02:29.139
當你問 ChatGPT 或 Claude 問題時

00:02:29.419 --> 00:02:31.440
它是一個字一個字把答案生出來的

00:02:31.440 --> 00:02:33.919
想得越多，算得越久，你就得等越久

00:02:33.979 --> 00:02:35.539
但 Jev 不會自己寫答案

00:02:35.539 --> 00:02:37.419
你只需要給它三樣東西 一份資料

00:02:37.600 --> 00:02:39.339
一個問題，以及你事先列好的幾個選項

00:02:39.479 --> 00:02:41.339
它就會直接回傳給你每個選項的機率

00:02:42.059 --> 00:02:44.159
舉個簡單的例子，你丟一張發票給它

00:02:44.259 --> 00:02:45.720
問它這張發票有沒有問題？

00:02:45.820 --> 00:02:47.539
並給它三個選項 正常

00:02:47.940 --> 00:02:49.419
詐騙，需要人工檢查

00:02:49.660 --> 00:02:52.889
它就會秒回你 這張發票正常的機率是 88%

00:02:53.119 --> 00:02:55.460
剩下的機率則分配給另外兩個選項

00:02:55.539 --> 00:02:56.860
而這整個判斷過程

00:02:56.880 --> 00:02:59.160
通常花不到 0.3 秒就能完成

00:02:59.460 --> 00:03:00.979
如果你聽到這邊還是一頭霧水

00:03:00.979 --> 00:03:02.580
那我用個生活化一點的比喻

00:03:02.720 --> 00:03:04.800
一般的大模型就像是在寫申論題

00:03:05.080 --> 00:03:06.679
而 Jev 則像是在寫選擇題

00:03:07.339 --> 00:03:09.339
申論題得一句一句慢慢寫，不但寫得慢

00:03:09.339 --> 00:03:10.539
還有可能不小心離題

00:03:10.539 --> 00:03:12.419
但選擇題只要圈一個答案就好

00:03:12.440 --> 00:03:15.059
所以速度極快，而且答案絕對不會發散

00:03:15.059 --> 00:03:17.080
一定只會是你給的選項其中之一

00:03:17.160 --> 00:03:19.139
這也是為什麼 Jev 能夠做到低幻覺

00:03:19.240 --> 00:03:20.039
因為它沒有機會

00:03:20.039 --> 00:03:21.800
去瞎掰一個選項以外的答案出來

00:03:22.320 --> 00:03:23.779
目前 Jev 能夠回答的題型

00:03:23.779 --> 00:03:25.199
主要分為三種 是非題

00:03:25.520 --> 00:03:27.580
單選題，以及打分題

00:03:27.580 --> 00:03:29.580
是非題很好理解，你問它一句話是不是真的

00:03:29.720 --> 00:03:31.860
它會回傳一個 0 到 1 之間的機率

00:03:31.860 --> 00:03:33.940
越接近 1 就代表它越肯定是

00:03:33.940 --> 00:03:36.093
比方說，你可以丟一張發票給 Jev 

00:03:36.320 --> 00:03:37.839
問它這張發票是不是詐騙？

00:03:38.059 --> 00:03:39.900
Jev 可能會回你 90%

00:03:40.160 --> 00:03:42.039
你甚至可以把幾個常見的詐騙特徵

00:03:42.039 --> 00:03:43.320
寫進條件裡再問一次

00:03:43.460 --> 00:03:44.820
機率或許就會變得更高

00:03:44.839 --> 00:03:46.399
因為 Jev 有了更多的參考依據

00:03:46.399 --> 00:03:47.580
來增加它的信心水準

00:03:47.940 --> 00:03:49.100
拿到這個數字之後

00:03:49.100 --> 00:03:50.740
最簡單暴力的應用方式就是

00:03:50.740 --> 00:03:52.899
在自動化退款的程式裡設定一個門檻

00:03:53.059 --> 00:03:55.080
比方說只要詐騙機率超過九成

00:03:55.160 --> 00:03:56.360
就直接自動拒絕

00:03:56.399 --> 00:03:57.479
其餘的退款請求

00:03:57.619 --> 00:04:00.059
再自動寄信轉交給真人客服處理

00:04:00.059 --> 00:04:00.699
這樣一來

00:04:00.720 --> 00:04:03.539
你就幫客服省下了大量處理送分題的時間

00:04:03.960 --> 00:04:06.720
第二種是單選題，你可以先列出好幾個選項

00:04:06.860 --> 00:04:09.119
Jev 會從裡面挑出一個最合適的

00:04:09.119 --> 00:04:11.220
同時告訴你每個選項的機率各是多少

00:04:11.639 --> 00:04:13.160
選項的內容完全由你定義

00:04:13.160 --> 00:04:14.699
最多可以列到 255 個

00:04:14.759 --> 00:04:17.160
而且每個選項你還可以搭配一句簡單的說明

00:04:17.160 --> 00:04:19.239
讓它更清楚這個選項的定義

00:04:19.239 --> 00:04:21.459
比方說，你可以拿它來自動整理信箱

00:04:21.559 --> 00:04:22.980
讓 Jev 幫你精準判斷

00:04:22.980 --> 00:04:25.160
每一封信應該歸類到哪個資料夾

00:04:25.700 --> 00:04:27.200
第三種是打分題

00:04:27.200 --> 00:04:29.920
有些事情不是非黑即白地選一個類別

00:04:29.920 --> 00:04:30.839
而是要看程度

00:04:31.160 --> 00:04:32.779
這時候你可以先定好一把尺

00:04:32.880 --> 00:04:34.019
或者說畫一個光譜

00:04:34.140 --> 00:04:36.540
從低到高寫出每一個級距代表什麼意思

00:04:36.559 --> 00:04:37.799
最多可以分到 11 級

00:04:37.959 --> 00:04:38.959
Jev 就會告訴你

00:04:38.959 --> 00:04:41.220
現在的狀況落在那把尺的哪個位置

00:04:41.220 --> 00:04:43.420
比方說你想幫業務篩選潛在客戶

00:04:43.559 --> 00:04:45.679
你可以設定 0 分是沒有預算的學生

00:04:45.760 --> 00:04:46.760
1 分是小團隊

00:04:46.859 --> 00:04:49.000
2 分是有明確需求跟時程的公司

00:04:49.000 --> 00:04:51.380
3 分則是預算充足的大企業

00:04:51.380 --> 00:04:52.660
這時候如果有一間大企業

00:04:52.660 --> 00:04:54.160
透過網站表單來詢問

00:04:54.160 --> 00:04:56.880
Jev 可能就會幫它打出 2.9 分的高分

00:04:56.880 --> 00:04:57.739
拿到這個分數後

00:04:57.739 --> 00:04:59.899
你就可以把它串接到後面的自動化規則

00:04:59.920 --> 00:05:01.899
比方說設定 2.5 分以上的客戶

00:05:01.899 --> 00:05:03.700
要觸發緊急通知給業務主管

00:05:03.700 --> 00:05:06.519
確保團隊當天就能立刻回信搶下訂單

00:05:06.519 --> 00:05:08.519
所以 Jev 的能力跟定位其實非常明確

00:05:08.760 --> 00:05:09.940
它能回答的就是是不是

00:05:10.200 --> 00:05:12.260
哪一個，到什麼程度這三種問題

00:05:12.640 --> 00:05:13.700
而如果你仔細拆解

00:05:13.700 --> 00:05:15.839
現在各種自動化工作流裡的判斷邏輯

00:05:16.000 --> 00:05:17.420
其實大部分也離不開這三種

00:05:17.420 --> 00:05:20.399
整個模型用起來的感覺就是 資料丟進去

00:05:20.489 --> 00:05:21.200
它不跟你廢話

00:05:21.200 --> 00:05:22.079
瞬間給你結論

00:05:22.160 --> 00:05:24.040
像是一個小而美的自動化開關

00:05:24.619 --> 00:05:26.480
在價格方面 Jev 也非常有競爭力

00:05:26.880 --> 00:05:29.720
就像前面提到的，它的輸出是完全免費的

00:05:29.720 --> 00:05:31.519
計費方式只看讀進去的文字量

00:05:31.519 --> 00:05:33.839
每一百萬個 Token 只收 0.042 美元

00:05:34.299 --> 00:05:36.339
你可能對一百萬個 Token 沒什麼概念

00:05:36.559 --> 00:05:37.940
最簡單的理解方式就是

00:05:38.000 --> 00:05:40.720
這大約等於好幾本厚厚的小說的文字量

00:05:40.720 --> 00:05:41.640
從這裡就可以看出

00:05:41.640 --> 00:05:43.019
Jev 真的是便宜到不可思議

00:05:43.619 --> 00:05:46.119
不過話說回來，不管它再怎麼便宜或快速

00:05:46.289 --> 00:05:47.320
它都還是無法取代

00:05:47.320 --> 00:05:49.239
Fable 跟 Astra 這種全能型模型

00:05:49.579 --> 00:05:52.279
或者說它打從一開始就沒打算要取代它們

00:05:52.279 --> 00:05:54.160
因為這兩者的定位根本完全不同

00:05:54.299 --> 00:05:56.299
TypeSafe 幫 Jev 創造了一個新的分類

00:05:56.299 --> 00:05:57.600
叫做 System 1 模型

00:05:58.019 --> 00:06:00.420
這個詞出自於經典名著快思慢想

00:06:00.779 --> 00:06:01.540
書裡提到

00:06:01.540 --> 00:06:04.260
人的大腦其實有兩套系統 系統一靠的是直覺

00:06:04.260 --> 00:06:06.200
反應極快，系統二靠的是推理

00:06:06.239 --> 00:06:07.600
速度慢但是想得深

00:06:07.940 --> 00:06:10.000
就像你剛學開車的時候，看後照鏡

00:06:10.000 --> 00:06:12.820
打方向燈，換檔，每一個動作都要用力去想

00:06:12.820 --> 00:06:15.040
這就是系統二，但開了幾年車之後

00:06:15.040 --> 00:06:17.720
這些動作全部變成了下意識的反射動作

00:06:17.720 --> 00:06:18.679
這就是系統一

00:06:18.679 --> 00:06:21.660
Fable 跟 Astra 就是那個會深思熟慮的系統二

00:06:21.739 --> 00:06:24.359
而 Jev 就是那個靠直覺秒回的系統一

00:06:24.359 --> 00:06:26.260
所以，這兩者的分工非常清楚

00:06:26.260 --> 00:06:28.160
如果你今天需要 AI 幫你構思

00:06:28.160 --> 00:06:28.880
幫你寫作

00:06:28.880 --> 00:06:29.980
那就交給大模型

00:06:30.059 --> 00:06:32.000
但如果你今天只是需要一個快速

00:06:32.000 --> 00:06:33.660
準確的判斷，那就交給 Jev 

00:06:34.140 --> 00:06:35.859
對 Jev 有了基本的認知後

00:06:35.859 --> 00:06:37.559
我們來看看社群上的兄弟們

00:06:37.559 --> 00:06:39.399
都拿它來做什麼吧

00:06:39.399 --> 00:06:40.579
國外 YouTuber Matthew Berman 

00:06:40.579 --> 00:06:41.920
用它做了一個虛擬小鎮

00:06:42.000 --> 00:06:43.679
裡面住了 50 個 AI 居民

00:06:43.679 --> 00:06:46.399
當他對全鎮廣播一句麵包店大拍賣！

00:06:46.399 --> 00:06:48.059
時，短短 0.6 秒之內

00:06:48.059 --> 00:06:51.440
這 50 個居民就各自決定好自己要怎麼反應了

00:06:51.440 --> 00:06:53.339
其中 39 個不為所動繼續做自己的事

00:06:53.339 --> 00:06:54.679
6 個跑去湊熱鬧看看

00:06:54.700 --> 00:06:56.279
4 個直接加入搶購行列

00:06:56.279 --> 00:06:58.420
還有 1 個熱心地跑去通知別人

00:06:58.420 --> 00:06:59.779
我覺得這個實驗非常有趣

00:06:59.920 --> 00:07:01.459
未來我們絕對會在遊戲領域

00:07:01.459 --> 00:07:02.679
看到大量類似的應用

00:07:02.700 --> 00:07:04.700
比方說遊戲裡的 NPC 行為

00:07:04.700 --> 00:07:06.779
或許就能透過這種方式變得更加擬真

00:07:07.059 --> 00:07:08.839
多樣化，而且運算成本還極低

00:07:09.500 --> 00:07:10.260
第二個例子

00:07:10.260 --> 00:07:12.260
是 AI ML API 這個團隊

00:07:12.260 --> 00:07:14.420
在 X 上發布的一場對弈實驗

00:07:14.839 --> 00:07:17.700
他們讓 Jev 分別跟 Fable 和 Astra 下西洋棋

00:07:17.899 --> 00:07:20.260
規則是每方只有五分鐘時間的快棋

00:07:20.380 --> 00:07:23.079
每下一步棋，就等於呼叫一次模型

00:07:23.160 --> 00:07:25.100
有趣的是，在對上 Fable 的那一局

00:07:25.100 --> 00:07:25.920
如果單論棋力

00:07:25.920 --> 00:07:27.320
Fable 絕對是完全碾壓

00:07:27.339 --> 00:07:29.540
下到第 29 步時已經佔盡優勢

00:07:29.600 --> 00:07:32.200
甚至還多吃了一隻皇后，但致命傷是

00:07:32.519 --> 00:07:35.059
Fable 每想一步棋都要花上 6 到 15 秒

00:07:35.079 --> 00:07:37.799
而 Jev 每一步只花 2.6 秒

00:07:37.799 --> 00:07:38.679
最後的結果是

00:07:38.679 --> 00:07:40.320
Fable 把五分鐘的時間全耗光了

00:07:40.320 --> 00:07:41.540
因為超時而被判輸

00:07:42.200 --> 00:07:45.899
可以說，最聰明的模型，最後卻輸在想太久

00:07:45.920 --> 00:07:49.519
不過，當 Jev 對上 Astra 時情況就不太一樣了

00:07:49.519 --> 00:07:52.160
Astra 只用了短短 18 步就直接把 Jev 將軍死棋

00:07:52.200 --> 00:07:53.339
是真的有點瘋狂

00:07:53.799 --> 00:07:54.619
除此之外

00:07:54.619 --> 00:07:55.839
社群上也有很多人

00:07:55.839 --> 00:07:58.839
開始把 Jev 拿來做大量分類的任務

00:07:58.839 --> 00:08:00.820
比方說，有人拿了 1000 封 Email

00:08:00.820 --> 00:08:01.940
來進行壓力測試

00:08:01.940 --> 00:08:04.140
讓模型去判斷每一封信是不是發票

00:08:04.140 --> 00:08:05.720
是不是合作邀約等等

00:08:05.799 --> 00:08:08.519
結果 Jev 跑完這 1000 封信只花了短短 70 秒

00:08:08.519 --> 00:08:10.380
成本更是只要驚人的 9 美分

00:08:10.519 --> 00:08:11.839
不到台幣三塊錢

00:08:11.839 --> 00:08:14.480
但如果把同一批信交給 GPT-5.6 Luna 來跑

00:08:14.619 --> 00:08:15.820
不僅要花上 5 分鐘

00:08:16.059 --> 00:08:19.739
成本還高達 62 美分，要台幣二十幾塊錢

00:08:19.739 --> 00:08:21.480
OpenCode 創始團隊的 Ryan Vogel

00:08:21.480 --> 00:08:22.760
也做了一個類似的專案

00:08:22.980 --> 00:08:25.119
他一口氣把自己信箱裡的 1700 封信

00:08:25.119 --> 00:08:26.899
全丟給 Jev ，讓它幫忙分門別類

00:08:27.040 --> 00:08:29.600
排定處理優先順序，打上垃圾信件的分數

00:08:29.779 --> 00:08:32.119
最後再判斷這封信需不需要親自回覆

00:08:32.580 --> 00:08:36.260
全部 1700 封信跑完，總共竟然只花了 18 美分

00:08:36.780 --> 00:08:38.739
另外， Jev 也非常適合拿來做路由

00:08:38.799 --> 00:08:41.280
也就是幫你決定這件事應該交給誰來做

00:08:41.820 --> 00:08:44.219
YouTuber Riley Brown 就實作了一個模型路由器

00:08:44.260 --> 00:08:45.700
當你的問題丟進去後

00:08:45.700 --> 00:08:47.000
Jev 自己不負責回答

00:08:47.160 --> 00:08:48.219
它只負責快速判斷

00:08:48.219 --> 00:08:50.239
這道題該派給哪個模型處理

00:08:50.500 --> 00:08:52.020
如果是改錯字這種小事

00:08:52.020 --> 00:08:53.380
就丟給最便宜的模型

00:08:53.679 --> 00:08:55.460
如果是要寫一整套複雜的程式

00:08:55.460 --> 00:08:57.320
再轉發給最貴，最聰明的模型

00:08:57.880 --> 00:08:59.919
TypeSafe 官方也釋出了一個有趣的數據

00:09:00.000 --> 00:09:02.280
如果讓 Agent 自己挑要觸發哪個 skill 

00:09:02.320 --> 00:09:04.070
拿錯的機率高達 17%

00:09:04.239 --> 00:09:06.580
但如果先讓 Jev 幫忙快速過濾挑選

00:09:06.580 --> 00:09:09.500
出錯的機率瞬間降到了只有 7.3%

00:09:09.919 --> 00:09:11.400
還有一位叫做 kitze 的開發者

00:09:11.460 --> 00:09:12.340
用它做了一款

00:09:12.340 --> 00:09:14.419
名為 Unclutter 的免費瀏覽器外掛

00:09:14.539 --> 00:09:17.139
當你網頁一打開，它就會在背景呼叫 Jev 

00:09:17.440 --> 00:09:19.580
即時判斷網頁上的哪些區塊是廣告

00:09:19.640 --> 00:09:21.320
哪些是沒有營養的垃圾內容

00:09:21.580 --> 00:09:23.739
然後瞬間幫你清理得乾乾淨淨

00:09:23.739 --> 00:09:25.520
還給你一個清爽的閱讀版面

00:09:25.719 --> 00:09:27.460
我認為 Jev 對大多數人來說

00:09:27.460 --> 00:09:29.359
最實用的場景絕對是分類和路由

00:09:29.479 --> 00:09:31.059
因為只要你想做自動化流程

00:09:31.059 --> 00:09:32.640
這兩個環節幾乎是必經之路

00:09:33.340 --> 00:09:35.359
我在之前的影片中就不斷強調過

00:09:35.359 --> 00:09:36.500
在 AI 時代做自動化

00:09:36.599 --> 00:09:39.280
你要學會把大模型當成工作流裡的一個零件

00:09:39.299 --> 00:09:42.099
而不是把它當成一個只會聊天的機器人

00:09:42.200 --> 00:09:43.000
而 Jev ，可以說

00:09:43.000 --> 00:09:44.820
就是把這個理念貫徹到極致的產物

00:09:45.059 --> 00:09:46.400
它直接拔掉了聊天的能力

00:09:46.579 --> 00:09:48.840
生下來就是為了當一個極致高效的零件

00:09:49.299 --> 00:09:51.340
最近剛好有一位來找我諮詢的客戶

00:09:51.400 --> 00:09:53.479
他們公司想做一個客服 AI Agent 

00:09:53.479 --> 00:09:56.119
用來自動處理每天雪片般飛來的客服單

00:09:56.460 --> 00:09:57.880
剛好碰上 Jev 推出

00:09:58.059 --> 00:09:58.900
我就跟他建議

00:09:58.900 --> 00:10:01.460
把整條自動化流程的第一站直接換成 Jev 

00:10:01.820 --> 00:10:04.440
客服單一進來，二話不說先交給 Jev 做分類

00:10:04.919 --> 00:10:06.520
假設今天收到一張客訴單

00:10:06.580 --> 00:10:08.679
上面寫著 我被重複扣款兩次

00:10:08.679 --> 00:10:10.260
今天一定要給我處理好！

00:10:10.260 --> 00:10:11.440
同時後台資料顯示

00:10:11.440 --> 00:10:13.760
這位客人目前使用的是高階的付費方案

00:10:13.820 --> 00:10:15.780
而且帳號已經使用了四百多天

00:10:15.820 --> 00:10:18.719
當 Jev 拿到這張單以及客人的背景資料後

00:10:18.719 --> 00:10:20.640
我們可以同時向它拋出五個問題

00:10:21.219 --> 00:10:22.820
第一，這張單的分類是什麼？

00:10:22.940 --> 00:10:25.679
是帳務問題，系統故障，還是其他？

00:10:25.799 --> 00:10:27.400
第二，這張單的嚴重程度

00:10:27.400 --> 00:10:29.099
如果從 0 到 10 分來打分

00:10:29.099 --> 00:10:29.739
是幾分？

00:10:29.739 --> 00:10:32.619
第三，客人有沒有在信件中要求退款？

00:10:32.640 --> 00:10:34.479
第四，客人有沒有具體寫出

00:10:34.479 --> 00:10:36.039
問題發生的操作步驟？

00:10:36.179 --> 00:10:38.559
第五，客人現在的情緒狀態是平靜

00:10:38.559 --> 00:10:40.280
不耐煩，還是憤怒？

00:10:40.280 --> 00:10:41.659
這五個關鍵問題的答案

00:10:41.659 --> 00:10:44.000
不到一秒鐘就能全部生成出來

00:10:44.000 --> 00:10:45.400
接著，只要把這些答案

00:10:45.400 --> 00:10:47.539
串接到我們預先寫好的分類邏輯裡

00:10:47.539 --> 00:10:49.419
系統就能自動把這張緊急的客訴單

00:10:49.520 --> 00:10:51.820
精準地派送到負責處理帳務的對應部門

00:10:51.820 --> 00:10:54.119
甚至直接亮起紅燈提醒主管處理

00:10:54.659 --> 00:10:56.840
不過，就如同前面所說的， Jev 不會寫字

00:10:56.979 --> 00:10:58.799
所以最後回覆給客人的那封安撫信

00:10:58.799 --> 00:11:00.520
還是得交給聰明的大模型來代筆

00:11:01.039 --> 00:11:02.219
但信寫完之後

00:11:02.219 --> 00:11:03.926
我們發送前可以再次呼叫 Jev 

00:11:04.280 --> 00:11:05.960
讓它當最後的把關者

00:11:06.020 --> 00:11:09.260
檢查這封回覆有沒有真的回答到客人的痛點？

00:11:09.260 --> 00:11:11.119
語氣看起來像是在誠懇道歉

00:11:11.299 --> 00:11:12.760
還是在推卸責任？

00:11:12.760 --> 00:11:14.599
有沒有不小心把公司內部的

00:11:14.599 --> 00:11:16.260
機密規定給洩漏出去？

00:11:16.260 --> 00:11:17.739
加上 Jev 這道檢查關卡

00:11:17.780 --> 00:11:20.299
不僅速度快，成本幾乎可以忽略不計

00:11:20.380 --> 00:11:22.340
還能大幅降低 AI 產生幻覺

00:11:22.679 --> 00:11:24.179
亂回覆客人的公關危機風險

00:11:24.700 --> 00:11:26.780
講到這裡，我們已經知道 Jev 是什麼

00:11:26.900 --> 00:11:28.260
看了社群上的各種玩法

00:11:28.260 --> 00:11:30.520
也看了它放進客服流程裡的樣子

00:11:30.520 --> 00:11:32.859
最後我就簡單做個總結吧

00:11:32.859 --> 00:11:34.320
如果你本身就在做 AI 自動化

00:11:34.340 --> 00:11:36.919
或者手邊每天都有海量的信件，社群留言

00:11:37.059 --> 00:11:38.500
表單或客服單需要處理

00:11:38.640 --> 00:11:41.880
那這些痛點簡直可以說就是為了 Jev 而生的

00:11:41.880 --> 00:11:44.380
看完這支影片，你今天就可以馬上開始構思

00:11:44.479 --> 00:11:47.159
該怎麼把 Jev 整合進你的工作流裡

00:11:47.159 --> 00:11:48.460
如果你是寫程式的開發者

00:11:48.660 --> 00:11:50.479
它非常適合被放在檢查的關卡

00:11:50.500 --> 00:11:52.559
幫你掃描註解，審查程式碼邏輯

00:11:52.659 --> 00:11:55.539
因為它實在太便宜了，便宜到你每一次存檔

00:11:55.539 --> 00:11:58.219
每一次改 code 都可以毫無壓力地讓它跑一遍

00:11:58.219 --> 00:12:00.020
至於開發者具體的實作方式

00:12:00.159 --> 00:12:01.919
我已經寫成了一篇詳細的文章

00:12:02.099 --> 00:12:04.679
就不在這支影片裡佔用大家時間了

00:12:04.679 --> 00:12:05.880
同時，我也特別製作了

00:12:05.880 --> 00:12:07.020
一組好用的提示詞工具

00:12:07.159 --> 00:12:08.179
可以幫你快速盤點

00:12:08.179 --> 00:12:10.260
你現有的專案或自動化工作流中

00:12:10.260 --> 00:12:12.880
到底有哪些環節最適合引入 Jev 來優化

00:12:12.880 --> 00:12:14.159
對這些資源感興趣的朋友

00:12:14.159 --> 00:12:15.200
歡迎到我們的 Skool 社群

00:12:15.200 --> 00:12:17.200
查看完整文章並領取提示詞工具

00:12:17.239 --> 00:12:19.320
相關連結我都會放在下方的資訊欄

00:12:19.460 --> 00:12:20.919
而如果你平常只是習慣把 ChatGPT 或 Claude

00:12:20.919 --> 00:12:23.080
當作聊天機器人來問問題

00:12:23.140 --> 00:12:24.919
那你高機率不會直接用到 Jev 

00:12:24.979 --> 00:12:25.679
但我相信

00:12:25.719 --> 00:12:28.059
你每天在用的各種軟體和產品背後

00:12:28.059 --> 00:12:29.219
很快就會開始大量出現

00:12:29.219 --> 00:12:31.320
這種專門做判斷的模型應用

00:12:31.320 --> 00:12:32.460
比方說，哪天 Claude

00:12:32.659 --> 00:12:34.299
把要不要觸發某個工具或技能

00:12:34.299 --> 00:12:36.099
這件事直接外包給 Jev 來做決策

00:12:36.280 --> 00:12:37.700
也不是不可能的事

00:12:37.700 --> 00:12:39.719
畢竟這真的是又快又便宜的解法

00:12:40.119 --> 00:12:42.559
我之前在頻道裡就一直強調過一個觀念

00:12:42.599 --> 00:12:44.179
不要問現在哪個模型最強

00:12:44.200 --> 00:12:45.059
你要問的是

00:12:45.059 --> 00:12:47.239
哪個模型最適合你當下的工作流

00:12:47.440 --> 00:12:49.320
這個道理放在任何領域都通用

00:12:49.320 --> 00:12:51.820
就像好久以前大家就知道用高階

00:12:52.260 --> 00:12:53.239
聰明的模型來做 Planning 

00:12:53.440 --> 00:12:56.700
再用低階，快速的模型去執行苦力實作

00:12:56.700 --> 00:12:57.820
而現在，我們的武器庫裡

00:12:57.820 --> 00:12:59.700
又多了一個專職的決策模型

00:12:59.799 --> 00:13:01.440
它可以幫助我們用更低的成本

00:13:01.559 --> 00:13:04.200
更快的速度，達到比以前更好的自動化效果

00:13:04.299 --> 00:13:05.200
這對於所有喜歡

00:13:05.200 --> 00:13:06.780
自己動手 Build 東西的創作者

00:13:06.780 --> 00:13:08.299
或者是第一線的工程師來說

00:13:08.479 --> 00:13:09.500
絕對是一大福音

00:13:10.260 --> 00:13:12.080
如果你也想親自試試看 Jev 的威力

00:13:12.099 --> 00:13:14.900
我會把他們的官方網站連結放在下方資訊欄

00:13:15.280 --> 00:13:17.239
不過目前他們還處於早期預約階段

00:13:17.239 --> 00:13:18.780
需要先登記你的 Email 排隊

00:13:18.780 --> 00:13:20.419
才有機會獲得使用權限

00:13:20.460 --> 00:13:23.159
有興趣的朋友強烈建議先去卡位預約起來

00:13:23.159 --> 00:13:25.419
才能在第一時間親自體驗

00:13:25.419 --> 00:13:27.659
那以上就是今天影片的全部內容啦

00:13:27.659 --> 00:13:30.000
希望這集關於 Jev 的介紹對各位有所幫助

00:13:30.219 --> 00:13:31.400
如果你喜歡今天的影片

00:13:31.400 --> 00:13:32.940
別忘了幫我按讚，訂閱

00:13:32.940 --> 00:13:35.200
並分享給身邊對 AI 自動化有興趣的朋友

00:13:35.320 --> 00:13:38.020
你們的支持就是我持續創作下去最大的動力！

00:13:38.020 --> 00:13:39.559
那我們就下支影片見囉，掰掰！